Projeto Final de Estatística para Cientistas de Dados

Professor: Otto Tavares

Aluno: Hugo Silva

Mostre através de prints que você tem acesso a uma plataforma RStudio (instalado localmente ou nuvem).

Figura 1. Terminal exibindo o console R

Escolha uma base de dados para realizar esse projeto. Essa base de dados será utilizada durante toda sua análise. Essa base necessita ter 4 (ou mais) variáveis de interesse. Caso você tenha dificuldade para escolher uma base, o professor da disciplina irá designar para você.
- A base será a fornecida pelo professor: BaseDPEvolucaoMensalCisp.csv
Explique qual o motivo para a escolha dessa base e explique os resultados esperados através da análise.
- Essa base foi escolhida pois é possível gerar um impacto social por meio da análise. Como resultado espero ser capaz de deternimar a especificidade de crime de cada região para que assim seja possível, por exemplo, escolher especialistas na resulução de cada tipo de crime
Carregue a base para o RStudio e comprove o carregamento tirando um print da tela com a base escolhida presente na área “Ambiente”/Enviroment. Detalhe como você realizou o carregamento dos dados.
- Para carregar a base escolhida os seguintes comandos são necessários:
```
library(tidyverse)
data <- read_csv("caminho/para/o/arquivo.csv")
```
- Como resultado temos:
Instale e carregue os pacotes de R necessários para sua análise (mostre o código necessário):
1. tidyverse
- Para instala: install.package("tidyverse")
- Para carregar: library(tidyverse)
1. ggplot
- Para instala: install.package("ggplot2")
- Para carregar: library(ggplot2)
1. summarytools
- Para instala: install.package("summarytools")
- Para carregar: library(summarytools)
- Para o caso de summarytools tive problemas com a dependência stringi, para resolver foi necessário instala-la: install.package("stringi")
Escolha outros pacotes necessários, aponte sua necessidade e instale e carregue (mostrando o código necessário).
- Foi necessário instalar adicionalmente os pacotes:
  - knitr
  - rmarkdown
```
install.package("knitr")
install.package("rmarkdown")
```
- Para carregar os pacotes:
```
library(htmlwidgets)
library(ggplot2)
library(plotly)
library(tidyverse)
library(summarytools)
library(knitr)
library(kableExtra)
```

Aplique uma função em R que seja útil para sua análise e mostre.

Depois de carregar os dados é necessário organizar os dodos relevantes para o problema, para isso é utilizado a função group_by

data <- read.csv2("base/BaseDPEvolucaoMensalCisp.csv")

data <- data %>%
select(
    `mes`,
    `ano`,
    `Regiao`,
    `hom_doloso`,
    `lesao_corp_morte`,
    `latrocinio`,
    `letalidade_violenta`,
    `tentat_hom`,
    `hom_culposo`
)

data$Regiao <- trimws(data$Regiao)

data$mes_ano <- as.Date(paste(data$ano, data$mes, "01", sep = "-"))

data <- data %>% select(-mes, -ano)

data_gruped_by <- data %>%
    group_by(Regiao, mes_ano) %>%
    summarise(across(c(
        hom_culposo,
        hom_doloso,
        latrocinio,
        lesao_corp_morte,
        letalidade_violenta,
        tentat_hom
    ), sum), .groups = "drop")

Escolha uma variável de seu banco de dados e calcule:

A virável escolhida foi “hom_culposo”

a média para todos os eventos

media <- mean(data_gruped_by$hom_culposo)

o desvio padrão

desvio_padrao <- sd(data_gruped_by$hom_culposo)

os quantis: 25% e 75%

quantile_25_hom_culposo <- quantile(data_gruped_by$hom_culposo, 0.25)
quantile_75_hom_culposo <- quantile(data_gruped_by$hom_culposo, 0.75)

Utilizando o pacote summarytools (função descr), descreva estatisticamente a sua base de dados.

description <- descr(data_gruped_by)
kable(description, "html") %>% kable_styling()

	hom_culposo	hom_doloso	latrocinio	lesao_corp_morte	letalidade_violenta	tentat_hom
Mean	47.1729167	104.0135417	3.4437500	0.9052083	129.8458333	98.1322917
Std.Dev	26.0855114	50.6255223	2.9200259	1.1635649	64.1592062	51.7825746
Min	6.0000000	10.0000000	0.0000000	0.0000000	21.0000000	11.0000000
Q1	25.0000000	63.0000000	1.0000000	0.0000000	81.0000000	51.0000000
Median	43.0000000	102.0000000	3.0000000	1.0000000	124.0000000	99.0000000
Q3	65.5000000	134.5000000	5.0000000	1.0000000	162.5000000	133.0000000
Max	130.0000000	260.0000000	22.0000000	7.0000000	350.0000000	271.0000000
MAD	28.1694000	50.4084000	2.9652000	1.4826000	60.7866000	57.8214000
IQR	40.2500000	71.2500000	4.0000000	1.0000000	81.2500000	82.0000000
CV	0.5529764	0.4867205	0.8479204	1.2854111	0.4941183	0.5276813
Skewness	0.5974504	0.4809548	1.4458524	1.5612083	0.8003405	0.3355137
SE.Skewness	0.0789338	0.0789338	0.0789338	0.0789338	0.0789338	0.0789338
Kurtosis	-0.5071850	-0.1135275	3.1521977	2.5965597	0.4938802	-0.4780521
N.Valid	960.0000000	960.0000000	960.0000000	960.0000000	960.0000000	960.0000000
Pct.Valid	100.0000000	100.0000000	100.0000000	100.0000000	100.0000000	100.0000000

Escolha uma variável e crie um histograma. Justifique o número de bins usados. A distribuição dessa variável se aproxima de uma “normal”? Justifique.
- O histograma:
```
hist(
    data_gruped_by$hom_culposo,
    main = "Histograma com curva de suavidade",
    breaks = "FD",
    freq = FALSE
)

lines(density(data_gruped_by$hom_culposo))
```
- O número de bins:
```
bins <- ceiling(
    2 * IQR(data_gruped_by$hom_culposo) / (
        length(data_gruped_by$hom_culposo)^(1 / 3)
    )
)
bins
```
Esse número de bins foi usado pois foi observado que valores maioress acabavam trazendo mais distorção para o histograma, ou seja, as barras do gráfico ficavam mais distantes da curva suavisada. A regra utilizada para o número de bins foi a de Diaconis
- Sim, pois além da média e mediana darem uma “pista” disso, como pode ser observado no gráfico “Normal Q-Q Homicidio Culposo” os dados descrevem uma trajetória aproximada da normal
```
qqnorm(data_gruped_by$hom_culposo, main = "Normal Q-Q Homicidio Culposo")
qqline(data_gruped_by$hom_culposo)
```

Calcule a correlação entre todas as variáveis dessa base. Quais são as 3 pares de variáveis mais correlacionadas?

Utilizando a função cor():

correlacao <- cor(data_gruped_by %>% select(-mes_ano, -Regiao))
kable(correlacao, "html") %>% kable_styling()

	hom_culposo	hom_doloso	latrocinio	lesao_corp_morte	letalidade_violenta	tentat_hom
hom_culposo	1.0000000	0.4003722	0.2467896	0.2414043	0.3366624	0.5290556
hom_doloso	0.4003722	1.0000000	0.5685335	0.3418643	0.9570283	0.5383409
latrocinio	0.2467896	0.5685335	1.0000000	0.3263571	0.6316448	0.4100123
lesao_corp_morte	0.2414043	0.3418643	0.3263571	1.0000000	0.4118019	0.3345683
letalidade_violenta	0.3366624	0.9570283	0.6316448	0.4118019	1.0000000	0.5511579
tentat_hom	0.5290556	0.5383409	0.4100123	0.3345683	0.5511579	1.0000000

É possivel observar que os 3 pares de maior correlação são:

hom_doloso/letalidade_violenta
latrocinio/letalidade_violenta
hom_doloso/latrocinio

Crie um scatterplot entre duas variáveis das resposta anterior. Qual a relação da imagem com a correlação entre as variáveis.

dispersao <- ggplot(
    data_gruped_by, aes(x = hom_doloso, y = letalidade_violenta)
)

dispersao + geom_point(size = 3, color = "red") +
    labs(
        x = "Homicídio Doloso",
        y = "Letalidade Violenta",
        title = "Gráfico de dispersão"
    ) + geom_smooth(method = "lm")

## `geom_smooth()` using formula = 'y ~ x'

É possível observar pela imagem que há uma tendência de relação entre as variáveis indicando, por exemplo, que os homicidios dolosos costumam ser violêntos

Crie um gráfico linha de duas das variáveis. Acrescente uma legenda e rótulos nos eixos.

plot_ly() %>%
    add_lines(x = data_gruped_by$mes_ano, y = data_gruped_by$hom_culposo, name = "Homicidio Culposo") %>%
    add_lines(x = data_gruped_by$mes_ano, y = data_gruped_by$letalidade_violenta, name = "Letalidade Violenta") %>%
    layout(xaxis = list(title = "Mês-Ano"), yaxis = list(title = "Número de Ocorrências"), title = "Número de casos de Letalidade Violenta e Homicidios Culposos por mês no estado do Rio de Janeiro")

Projeto Final de Estatística para Cientistas de Dados

Hugo Victor dos Santos Silva

12 de março de 2023

Projeto Final de Estatística para Cientistas de Dados